传统CV算法——基于 SIFT 特征点检测与匹配实现全景图像拼接

全景图像拼接实现

定义 Stitcher 的类，用于实现两张图片的拼接。使用的技术是基于 SIFT 特征点检测与匹配，以及利用视角变换矩阵来对齐和拼接图像。

import numpy as np
import cv2class Stitcher:#拼接函数def stitch(self, images, ratio=0.75, reprojThresh=4.0,showMatches=False):#获取输入图片(imageB, imageA) = images#检测A、B图片的SIFT关键特征点，并计算特征描述子(kpsA, featuresA) = self.detectAndDescribe(imageA)(kpsB, featuresB) = self.detectAndDescribe(imageB)# 匹配两张图片的所有特征点，返回匹配结果M = self.matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)# 如果返回结果为空，没有匹配成功的特征点，退出算法if M is None:return None# 否则，提取匹配结果# H是3x3视角变换矩阵      (matches, H, status) = M# 将图片A进行视角变换，result是变换后图片result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))self.cv_show('result', result)# 将图片B传入result图片最左端result[0:imageB.shape[0], 0:imageB.shape[1]] = imageBself.cv_show('result', result)# 检测是否需要显示图片匹配if showMatches:# 生成匹配图片vis = self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status)# 返回结果return (result, vis)# 返回匹配结果return resultdef cv_show(self,name,img):cv2.imshow(name, img)cv2.waitKey(0)cv2.destroyAllWindows()def detectAndDescribe(self, image):# 将彩色图片转换成灰度图gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 建立SIFT生成器descriptor = cv2.SIFT_create()# 检测SIFT特征点，并计算描述子(kps, features) = descriptor.detectAndCompute(image, None)# 将结果转换成NumPy数组kps = np.float32([kp.pt for kp in kps])# 返回特征点集，及对应的描述特征return (kps, features)def matchKeypoints(self, kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):# 建立暴力匹配器matcher = cv2.BFMatcher()# 使用KNN检测来自A、B图的SIFT特征匹配对，K=2rawMatches = matcher.knnMatch(featuresA, featuresB, 2)matches = []for m in rawMatches:# 当最近距离跟次近距离的比值小于ratio值时，保留此匹配对if len(m) == 2 and m[0].distance < m[1].distance * ratio:# 存储两个点在featuresA, featuresB中的索引值matches.append((m[0].trainIdx, m[0].queryIdx))# 当筛选后的匹配对大于4时，计算视角变换矩阵if len(matches) > 4:# 获取匹配对的点坐标ptsA = np.float32([kpsA[i] for (_, i) in matches])ptsB = np.float32([kpsB[i] for (i, _) in matches])# 计算视角变换矩阵(H, status) = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)# 返回结果return (matches, H, status)# 如果匹配对小于4时，返回Nonereturn Nonedef drawMatches(self, imageA, imageB, kpsA, kpsB, matches, status):# 初始化可视化图片，将A、B图左右连接到一起(hA, wA) = imageA.shape[:2](hB, wB) = imageB.shape[:2]vis = np.zeros((max(hA, hB), wA + wB, 3), dtype="uint8")vis[0:hA, 0:wA] = imageAvis[0:hB, wA:] = imageB# 联合遍历，画出匹配对for ((trainIdx, queryIdx), s) in zip(matches, status):# 当点对匹配成功时，画到可视化图上if s == 1:# 画出匹配对ptA = (int(kpsA[queryIdx][0]), int(kpsA[queryIdx][1]))ptB = (int(kpsB[trainIdx][0]) + wA, int(kpsB[trainIdx][1]))cv2.line(vis, ptA, ptB, (0, 255, 0), 1)# 返回可视化结果return vis

类和方法解释：

1. stitch 方法:

   • 输入参数：images 是包含两张图片的元组，ratio 用于筛选匹配的阈值，reprojThresh 是计算单应性矩阵的阈值，showMatches 决定是否显示匹配结果图。
   • 功能：拼接两张图片，并可选择是否显示匹配过程中的关键点匹配。
   • 流程：
     • 使用 detectAndDescribe 方法分别检测两张图片的 SIFT 特征点和计算描述子。
     • 使用 matchKeypoints 方法对特征点进行匹配。
     • 判断匹配是否成功；若成功，使用单应性矩阵 H 通过透视变换对其中一张图片进行变换，然后与另一张图片合并。

2. cv_show 方法:

   • 显示图像并等待用户关闭窗口。

3. detectAndDescribe 方法:

   • 功能：将输入的图像转换为灰度图，然后使用 SIFT 算法检测关键点并计算描述子。
   • 返回：关键点的位置和对应的描述子。

4. matchKeypoints 方法:

   • 功能：对输入的两组特征描述子进行匹配。
   • 实现：使用 KNN (K-Nearest Neighbors) 方法，具体为 K=2，这意味着每个点会找到两个最近的邻点以决定是否为好的匹配。
   • 匹配准则：最近距离与次近距离的比值小于 ratio 时认为是好的匹配。
   • 当筛选后的匹配对数量足够多（大于4）时，使用这些匹配点计算单应性矩阵 H。

5. drawMatches 方法:

   • 功能：可视化显示两图的匹配情况。
   • 实现：在一张新图上并排显示两张原图，并将匹配的点对用线连接起来。

重要步骤总结：

1. 特征点检测与描述子计算：

   • 使用 SIFT 算法检测图像的关键点，并计算每个点的描述子。这一步是识别图像中的特征并提取有用信息的关键步骤。

2. 特征点匹配：

   • 使用 KNN 和比值测试来筛选良好的匹配点。这一步是确保两图中对应的特征点确实相似，为后续的图像对齐打下基础。

3. 计算单应性矩阵并进行图像变换：

   • 使用 RANSAC 算法基于匹配点对计算单应性矩阵，这一矩阵能够描述一张图像到另一张图像的透视变换。
   • 使用该矩阵通过透视变换将一张图像变形，使其与另一张图像对齐。

4. 图像拼接：

   • 将变换后的图像与另一张图像合并，形成一个单一的更大的图像。

5. 结果展示：

   • 可选地显示特征点的匹配情况，帮助理解两图是如何通过匹配点关联起来的。

骤，可以更好地理解和验证算法的有效性及精确性。

知识点讲解：

1. SIFT（Scale-Invariant Feature Transform）:

   • SIFT 是一种用于图像特征检测的算法，非常适合于进行图像匹配及物体识别。关键的优势在于它对图像的缩放、旋转甚至是亮度变化都保持不变性，使其在不同视角和环境下的图像匹配中表现出色。

2. 特征匹配与筛选机制:

   • 通过 KNN 算法获取每个特征点的最近邻点。然后利用 Lowe 的比值测试，即最近距离与次近距离的比值小于某个阈值（通常是 0.75），来判断是否为好的匹配。这种方法可以有效减少错误匹配的可能。

3. 单应性矩阵（Homography）:

   • 单应性矩阵是一个 3x3 的变换矩阵，它描述了两个平面之间的透视变换。在图像拼接中，单应性矩阵用于将一个图像通过透视变换调整，使其与另一个图像对齐。

4. RANSAC（Random Sample Consensus）算法:

   • RANSAC 是一种鲁棒的参数估计方法，用于从一组包含异常值的观测数据中估计数学模型的参数。在特征点匹配过程中，RANSAC 能够帮助排除错误的匹配点，提供更准确的单应性矩阵估计。

5. 图像变换和拼接:

   • 利用计算得到的单应性矩阵，通过 cv2.warpPerspective 方法对一张图像进行透视变换。变换后的图像会根据单应性矩阵调整其视角，以便与另一张图像的视角匹配。随后，将这两张图像合并在一起，形成一个连续的大图像。

6. 可视化匹配:

   • 如果需要，可以通过 drawMatches 方法生成一个可视化的匹配结果图，该图展示了两张图像中被成功匹配的特征点和它们之间的连线。这对于分析和展示匹配效果非常有用。

调用实践

from Stitcher import Stitcher
import cv2# 读取拼接图片
imageA = cv2.imread("left_01.png")
imageB = cv2.imread("right_01.png")# 把图片拼接成全景图
stitcher = Stitcher()
(result, vis) = stitcher.stitch([imageA, imageB], showMatches=True)# 显示所有图片
cv2.imshow("Image A", imageA)
cv2.imshow("Image B", imageB)
cv2.imshow("Keypoint Matches", vis)
cv2.imshow("Result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

拼接前图像

结果：

资料下载地址

全景图像拼接